Как ИИ чистит семантику: инфо-запросы, «бесплатно», гео-хвосты и адресуемый спрос

Первая цифра, которую видит рекламодатель в Вордстате, почти всегда врёт в большую сторону. «Ремонт квартир — 620 000 показов в месяц» звучит как океан спроса, но внутри этой цифры сидят «ремонт квартир своими руками», «ремонт квартир фото», «ремонт квартир вакансии» и «ремонт квартир в омске», если вы работаете в Казани. Покупательского спроса там может оказаться вдвое меньше — и бюджет, посчитанный от сырой цифры, промахнётся так же вдвое.

Почему сырая частотность обманывает

Частотность считает всех, кто вводил фразу, без разбора намерений. Человек, который пишет «как выбрать кондиционер», и человек, который пишет «купить кондиционер с установкой», попадают в одну статистику, хотя до покупки им идти разное расстояние. Планировать кампанию по общей цифре — то же самое, что оценивать посещаемость магазина по трафику всей улицы.

Отсюда правило: перед запуском семантику нужно разложить на спрос, который вам адресован, и шум. Вручную это самая нудная часть сбора ядра — сотни фраз, каждую нужно прочитать и решить.

Четыре класса шума

Мусор в выдаче устроен предсказуемо — почти весь он попадает в четыре класса:

• Информационные запросы. «Что такое», «как выбрать», «отзывы», «рейтинг», «фото». Человек изучает тему. Для интернет-магазина это шум; для контент-маркетинга — наоборот, материал для статей.
• Запросы без денег. «Бесплатно», «скачать», «своими руками», «б/у», «авито». Намерение есть, бюджета нет — либо человек собирается решить задачу сам.
• Вакансии и резюме. «Ремонт квартир вакансии», «мастер маникюра работа». Ищут работу, товар им не нужен. В нишах услуг таких запросов неожиданно много.
• Гео-хвосты. «...в спб», «...екатеринбург». Спрос настоящий, вопрос только в том, ваш ли это регион. Поэтому гео — отдельная категория разметки: локальному бизнесу — в минус, федеральному — в сегменты.

Первые три класса — кандидаты в минус-слова ещё до запуска: они предсказуемы, и платить за клики по ним, чтобы «увидеть по статистике», незачем.

Адресуемый спрос: сколько ниши на самом деле

После разметки считается главная цифра — адресуемый спрос: сумма частотностей всех фраз минус шум. Именно от неё имеет смысл планировать бюджет, прогнозировать клики и сравнивать ниши между собой.

Пример из практики: у запроса «купить пылесос» сырая сумма по выдаче — около 400 000 показов, адресуемая — примерно 250 000. Разница в 40% — это та самая поправка, из-за которой прогнозы «по Вордстату» регулярно разъезжаются с реальностью.

Кластеризация: из фраз — черновик групп

Очищенный список — ещё половина работы. Дальше фразы нужно разложить по группам объявлений: «с установкой» — одна потребность, «недорого» — другая, «инверторный» — третья. Люди с разными формулировками должны увидеть разные объявления — иначе CTR и цена клика будут средними по больнице.

Здесь помогает кластеризация по слову-модификатору: фразы с общим уточняющим словом собираются в кластер, и каждый кластер — готовый черновик группы с очевидным углом для текста объявления.

Как это автоматизирует ИИ

Всё описанное — механическая работа по правилам, и она отлично автоматизируется. В Direct Manager разметка встроена в подбор слов: каждая фраза из выдачи получает пометку класса шума, отдельно считается адресуемый спрос, режим «Группы» показывает готовые кластеры, а выбранные фразы отправляются в кампанию ключами или минус-словами в один клик.

Тот же движок доступен в диалоге с ИИ: Wordstat в Claude и ChatGPT возвращает выдачу уже размеченной, и ассистент может сразу рассуждать поверх неё — «собери коммерческие фразы в группы, мусор отдай списком под минусовку». Для тех, кому нужен только подбор слов, это отдельный недорогой продукт с оплатой пакетами запросов; полный Direct Manager добавляет к нему аналитику самого рекламного кабинета.

Чистка семантики перестала быть вечером с таблицей и кофе. Правила известны, разметка автоматическая — человеку остаётся решить спорные случаи и утвердить структуру.